ایران - مشهد مقدس
اداره کل زمین شناسی و اکتشافات معدنی منطقه شمال شرق
یافتههای هوش مصنوعی در علوم زمین
هوش مصنوعی در علوم زمین به واسطه تجزیه و تحلیل مجموعه دادههای بزرگ و پیچیده، مدلسازیها، پیشبینی، بهبود کارایی و کاهش هزینهها مورد استفاده قرار میگیرد. فصلنامه خورشید مشرق به منظور آشنایی مخاطبین با کاربردهای هوش مصنوعی در علوم زمین در هر شماره به معرفی جدیدترین پلتفرمها و مدلهای هوش مصنوعی پرکاربرد در گرایشهای مختلف دانش زمینشناسی و معدن خواهد پرداخت.
کاربرد هوش مصنوعی در دیرینه شناسی
توسط: محبوبه پرورش
مطالعات دیرینه شناسی به طور کلی شامل طیف گستردهای از دادههاست که قابلیت پردازش و ارائه مدلهای هوش مصنوعی موفق را دارد. روشهای هوش مصنوعی در دیرینه شناسی، طبقهبندی میکرو و ماکروفسیل، تقسیمبندی و پردازش تصویر و پیشبینی را پوشش میدهد. این مطالعات دارای طیف وسیعی از تکنیکها مانند سیستمهای مبتنی بر دانش، شبکههای عصبی و بسیاری دیگر از روشهای یادگیری ماشین برای خودکارسازی انواع فرآیندهای کاری تحقیقات دیرینهشناسی هستند.
جمعآوری دادههای فسیلی به تصاویر و متون و مراجع علمی محدود نمیشود، بلکه شامل تکنیکهای مختلف تصویربرداری پیشرفته، اطلاعات مربوط به رخدادهای مکانی- زمانی فسیل، اندازهگیریهای مورفولوژیکی، ماتریسهای خصوصیات مورفولوژیکی، فیلوژنتیک، و اطلاعات متون منتشر شده است که بیشتر آنها در مدلهای هوش مصنوعی هنوز در آغاز راه هستند. در یکی دو دهه آینده، میتوان انتظار داشت که بسیاری از روشهای پیشنهادی اخیر در هوش مصنوعی در دیرینهشناسی به کار گرفته شوند و مجموعه دادههای بزرگتر، با برچسبگذاری بهتر، سازماندهی بهتر، تراز بهتر و به طور مداوم برای آموزش مدل و مطالعات بیشتر وجود داشته باشد.
تاریخچه ورود یادگیری ماشین و هوش مصنوعی را در مطالعات دیرینه شناسی در شکل زیر، میتوان دید.
برخی از بهترین مدلها و ابزارهای هوش مصنوعی برای مطالعات فسیلشناسی که تاکنون ارائه شدهاند عبارتند از:
1. Fossil ID: این ابزار مبتنی بر هوش مصنوعی به کاربران اجازه میدهد تا فسیلها را شناسایی کنند. با استفاده از تصاویر فسیلها، این سیستم میتواند به شناسایی گونههای مختلف کمک کند.
2. Fossil Finder: این اپلیکیشن از تکنیکهای یادگیری عمیق برای شناسایی و طبقهبندی فسیلها استفاده میکند. کاربران میتوانند تصاویر فسیلها را بارگذاری کنند و این ابزار به آنها در شناسایی نوع فسیل کمک میکند.
3. Deep Fossils: این پروژه تحقیقاتی از شبکههای عصبی عمیق برای شناسایی و تحلیل فسیلها استفاده میکند. این سیستم میتواند ویژگیهای خاص فسیلها را شناسایی کرده و آنها را طبقهبندی کند.
4. Fossil Image Recognition Systems: برخی از دانشگاهها و موسسات تحقیقاتی در حال توسعه سیستمهای شناسایی تصویر هستند که به کمک یادگیری عمیق، میتوانند فسیلها را شناسایی و طبقهبندی کنند. این سیستمها معمولاً شامل پایگاه دادههای بزرگی از تصاویر فسیلها هستند.
5. AI-Powered Paleontology Tools: برخی از ابزارهای آنلاین و نرمافزارهای تخصصی وجود دارند که از هوش مصنوعی برای کمک به دانشمندان در تحلیل دادههای فسیلی استفاده میکنند. این ابزارها معمولاً شامل قابلیتهای پردازش تصویر و تحلیل داده هستند.
6. PaleoML: این پروژه به بررسی و توسعه مدلهای یادگیری ماشین برای تحلیل دادههای فسیلی و شناسایی الگوهای موجود در آنها میپردازد.
این ابزارها و پروژهها نشاندهنده پیشرفتهای اخیر در استفاده از هوش مصنوعی در علم فسیلشناسی هستند و میتوانند به پژوهشگران کمک کنند تا به سرعت و دقت بیشتری به تجزیه و تحلیل فسیلها بپردازند.
پلتفرمهایی که در مطالعات علمی میتوان از آنها استفاده کرد و در بررسیهای دیرینهشناسی به وسیله هوش مصنوعی نیز میتوان از آنها بهره برد عبارتند از: TensorFlow، PyTorch، Keras، OpenCV، Scikit-learn، DeepMind's AlphaFold و IBM Watson
استفاده از این پلتفرمها بستگی به نیاز خاص پروژه شما دارد. همچنین، همکاری با متخصصان داده و برنامهنویسان میتواند به شما در بهرهبرداری بهتر از این ابزارها کمک کند.
Richmond و همکاران در سال ۲۰۲۲ سیستمی را برای کلاسه بندی فرامینفرها با عنوانForabot (فرابات) ارائه کردند. آنها در آموزش و تهیه این بات از دیتاست Endless Forams که توسط Hsiang و همکاران، ۲۰۱۹ استفاده کردند. Forabot، رباتی است که فرآیند جداسازی فرامینفرها از رسوبات و تصویربرداری با کیفیت بالا از آنها را بصورت خودکار انجام میدهد. Forabot میتواند برای جداسازی سریعتر نیز تنظیم شود. بهطور کلی، Forabot یک راهحل کمهزینه برای محققان ارائه میدهد تا به طور مؤثری به مطالعه فرامینفراها بپردازند.
